Trong bài này chúng ta cùng tìm hiểu về object tracking dựa trên màu săc của đối tượng. Ý tưởng chung là dựa vào color detection (color của vật để detect vị trí của vật) từ đó có thể track theo vật khi nó di chuyển. Việc xác định color boundaries (ranh giới màu) khi xác định vật thể nhiều khi rất khó do ảnh ảnh của điều kiện ánh sáng (light condition), tuy nhiên đôi khi với ngưỡng màu (color threshold) nào đó có thể giúp ta dễ dàng tracking vật thể.

Không gian xác suất, biến ngẫu nhiên

Mở đầu

Trước khi xuất hiện object detector dựa trên Deep learning có một công cụ rất mạnh mẽ để phát hiện vật thể là HOG + Linear SVM. 3 thành phần quan trọng của HOG + Linear SVM sẽ được sử dụng để chuyển bất kì CNN image classifier thành object detetor:

1. Image pyramid: cho phép phát hiện vật thể với nhiều kích thước khác nhau
2. Sliding window: cho phép phát hiện vật thể ở nhiều vị trí khác nhau. Tại mỗi vị trí của sliding window sẽ thực hiện các công việc sau:
   • Trích xuất vùng quan tâm ROI (chính là vùng của sliding window đó)
   • Trích xuất đặc trưng rồi đưa vào các bộ phân loại (CNN, Linear SVM…)
   • Nhận được output predictions
3. Non-max suppression: loại bỏ các bounding boxes chồng chập (overlapping)

Selective search được sử dụng dựa trên image segmetation để đưa ra các region proposals (khoảng 2000 regions) có khả năng chứa object. Selective search có performance tốt hơn nhiều so với sử dụng image pyramid và sliding window. Việc nghiên cứu Selective earch cũng giúp các nhà khoa học tạo ra một công cụ mạnh mẽ hơn sau này là Region Proposal Network. Trong bài này chúng ta sẽ đi thực hiện selective search để lấy ra các region proposals.

Transfer learning - dựa vào việc đã học trên một bộ dữ liệu lớn ta có thể áp dụng sang cho các bài toán khác (sử dụng pre-trained model).